安徽省数字普惠金融对城乡收入差距影响的分析

2020-12-23唐蔚

时代金融 2020年33期

唐蔚

摘要：数字普惠金融依托大数据技术，可以进一步降低成本，扩大金融覆盖面，是普惠金融发展的新方向，本文立足于安徽省，选取了2011年到2018年各地市数字普惠金融发展指数，通过构建面板模型实证分析安徽省各地市数字普惠金融的发展对于城乡收入差距的影响。研究显示，近年来，安徽省数字普惠金融的发展总体上不断提高，其中覆盖广度指数与全国平均水平相比还有一定差距，模型结果表明数字普惠金融的发展能够显著缩小城乡收入差距，同时教育水平和产业结构也对城乡收入差距有一定影响。

关键词：数字普惠金融城乡收入差距面板数据

一、引言

2020年5月22日，国务院总理李克强在十三届全国人大三次会议的政府工作报告中指出，2019年和2020年以来，我国发展虽然面临着诸多困难，但仍然不断朝着全面建成小康社会的目标迈进，尤其是在脱贫攻坚方面取得了决定性的成就，农村贫困人口减少1109万人，贫困发生率降至0.6%。在2020年年初的疫情期间，多行业均受到严重负面影响，2020年是我国打赢脱贫攻坚战的收官之年，因此不懈推进脱贫攻坚仍然是当年政府的主要工作目标之一。安徽省作为脱贫任務较重的省份，在党中央的领导下出台了多项扶贫规划，效果显著，安徽省贫困人口由2014年建档立卡时的484万人降至2019年底的8.7万人，贫困发生率由建档立卡时的9.1%降至2019年底的0.16%。2020年4月29日，安徽省人民政府发布关于萧县等9个县（区）退出贫困县序列的公告，至此安徽省31个贫困县全部实现脱贫“摘帽”，未来仍将继续加大扶贫力度，攻克深度贫困堡垒。

金融行业在现代经济中处于核心地位，脱贫攻坚离不开金融助力。提高金融服务的可获得性、大力发展普惠金融是提升贫困人口的生活水平、改善其生活质量和提高社会保障的重要方式之一。“普惠金融”的概念于2005年在联合国“国际小额信贷年”的宣传中被首次提出，随后被世界各国大力推广，普惠金融的初衷是向社会各群体，尤其是欠发达地区和低收入群体提供便捷的金融服务。2013年11月，我国于十八届三中全会中正式提出要发展普惠金融，2015年底，国务院在《推进普惠金融发展规划（2016—2020年）》中首次在国家层面上明确了普惠金融的定义，表明要以可负担的成本为社会各阶层和群体提供适当有效的金融服务，并明确普惠金融的主要服务对象是农民、小微企业和低收入群体。近年来，随着互联网技术的发展，传统的普惠金融与互联网技术相结合的数字普惠金融给普惠金融的未来发展指明了新的方向。数字普惠金融的概念于2016年的G20峰会中提出，是以信息技术、云计算、物联网、大数据等创新性的数字技术为依托，利用数字技术的优势，进一步降低成本、扩大金融覆盖面、减少金融排斥，从而实现普惠金融的目标，以此促进经济发展，缩小城乡差距，提高低收入群体的生活水平。

为此，本文立足于安徽省具体情况，以安徽省16个地市作为研究样本，基于数字普惠金融发展对低收入群体生活水平影响的理论基础，探讨安徽省各地市近几年数字普惠金融的发展现状并实证分析数字普惠金融的减贫效应，以期揭示两者之间的影响关系。

文章余下部分的写作结构如下：第二部分为文献综述;第三部分为理论基础及研究假设;第四部分为模型设定及变量说明;第五部分为实证分析;第六部分为研究结论及建议。

二、文献综述

针对上述的研究目标，本文主要从普惠金融的度量、减贫效应的分析和近几年数字普惠金融的相关研究方向入手，梳理已有文献，为后续分析提供参考。

（一）普惠金融和数字普惠金融的度量

从普惠金融的概念提出之后，如何来衡量普惠金融的发展水平成为了学术界非常关注的问题。研究早期，一般仅选取金融服务的某一方面，如可获得性来直接测度普惠金融的发展水平，例如Beck等（2007）通过引入与银行业相关的8个金融服务可获得性指标来测量普惠金融的发展水平。随着普惠金融的不断发展，对其测度也更加全面，Sarma（2011）、Chakravarty（2013）等借鉴联合国人类发展指数（HDI）的构建方法，考虑了金融服务的可获得性、渗透度和使用效率三个维度。国内的大部分相关研究均以Sarma和Chakravarty的指标体系为基础，并且在维度的选择和测算方法上进行不断改进。王婧、胡国晖（2013）从供给和需求两个角度出发，立足于金融服务的范围和使用这两个维度，用变异系数法来确定各指标权重。王刚贞、谢露露（2019）增加了城乡居民的接受程度这一维度，任碧云、陈曦（2019）结合我国经济发展实际情况，综合了银行、保险、证券和小额贷款这4个领域，全面衡量了我国普惠金融发展水平。

近几年随着互联网金融的发展，部分学者在衡量普惠金融发展水平时将互联网和大数据技术这一因素考虑在内，形成数字普惠金融指数。郭峰、王靖一（2019）等利用蚂蚁金服的大量互联网数据，编制了一套“北京大学数字普惠金融指数”，该指数分为两期：第一期时间跨度为2011-2015年，相关指标于2016年发布;第二期时间跨度为2016-2018年，于2019年发布。之后我国众多学者研究数字普惠金融发展水平时都以该指数作为参考指标（贾娟琪（2019），梁双陆、刘培培（2019），赵丙奇（2020），裴绍军、李舒、冯叶（2019）等）。

（二）普惠金融和数字普惠金融对城乡收入差距的影响

关于普惠金融以及数字普惠金融的相关研究大多集中在分析其影响因素、探讨其对于实体经济的影响以及减贫效应这几方面，本文主要梳理与其对城乡收入差距的影响相关的文献。

在分析传统普惠金融的减贫效应时，部分学者基于全国的省级面板数据进行研究，例如任碧云、陈曦（2019）利用2010-2016年的内地省级面板数据，运用面板门限模型，发现在样本期内普惠金融的发展对贫困减缓表现出双门槛特征。黄敦平、徐馨荷（2019）基于全国数据，分东部、中西部分别进行实证分析，结果表明传统普惠金融的减贫效果呈现先减弱后增强的非线性关系，中西部的作用效果大于东部。还有一些学者挑选了单独省份的数据进行了研究，罗斌、吴晓英（2019）选取了湖南湘西地区的30个县为研究对象，运用系统GMM模型，发现传统普惠金融的发展具有正向的减贫效应，朱永勇（2019）以安徽省各地市作为研究目标，发现安徽省普惠金融的发展确实能够促进扶贫，王刚贞、谢露露（2019）同样基于安徽省的具体情况，认为普惠金融的减贫效应存在显著的门槛特征，会受到经济发展水平的制约并且存在显著的负向中介效应。

针对数字普惠金融减贫效应的研究近几年才开始起步，尤其是在“北京大学数字普惠金融指数”发布之后，为学术界的相关研究提供了参考指标，越来越多的学者才开始关注数字普惠金融问题。目前绝大多数的研究都是基于全国的省级面板数据展开的，梁双陆、刘培培（2019）基于2011-2015年的发展指数，实证分析了数字普惠金融对城乡收入差距的影响，认为数字普惠金融可以有效缩小城乡收入差距。李牧辰、封思贤、谢星（2020）除了从总体上进行分析之外，还从数字普惠金融的覆盖广度、使用深度、数字化程度、不同业务类型等方面开展结构性分析。赵丙奇（2020）利用了2011-2018年中国省级面板数据，基于面板门限模型进行实证分析，得出中国数字普惠金融对城乡收入差距的影响存在单门限效应的结论。裴绍军、李舒、冯叶（2019）将全国分成东部、中部、西部三大地域进行研究，认为数字普惠金融的发展总体来说可以缩小城乡收入差距，该效应在中部地区最明显，而在东部和西部地区影响并不显著。

目前在数字普惠金融的研究方面，针对单独省份的研究较少，黄婧平（2019）选取了青海省作為研究目标，实证结果表明结果数字普惠金融对青海省城乡收入差距的缩小效应较为显著，其中覆盖广度和数字化程度有显著缩小效应，而使用深度层面效果不显著。穆新杰（2020）以广西南宁为例，通过中介效应模型，认为南宁市数字普惠金融的减贫效应路径主要表现为直接影响，间接影响较微弱。李清磊、王旺（2018）以安徽省作为研究目标，通过对安徽省16个地级市数字普惠金融指数进行聚类分析，定量分析安徽省金融发展的地域差距。

（三）综述

综上所述，随着近几年互联网和大数据技术的发展，针对数字普惠金融的研究逐渐成为普惠金融新的研究方向，因此本文同样着眼于数字普惠金融，选取最新发布的“北京大学数字普惠金融指数”作为分析指标。在数字普惠金融减贫效应这一问题的研究上，目前绝大部分的研究均是基于全国数据，宏观的宽泛研究不足以细致反映个别省份的具体情况，目前针对单独省份特别是安徽省的研究较少，大部分相关研究均是基于传统普惠金融的发展情况，未考虑到互联网金融发展这一因素。因此本文从安徽省数字普惠金融的发展情况入手，构建实证模型，定量分析安徽省数字普惠金融的发展对于缩小城乡收入差距的影响，以期为安徽省完成脱贫攻坚的任务提出具体的建议。

三、理论基础及研究假设

传统普惠金融的主要目的是要以相对较低的成本为社会各阶层尤其是低收入群体提供适当有效的金融服务，其实现路径以机构网点的设立和扩张为主，力图提高金融服务的覆盖面，但设立机构网点的高成本和金融机构的逐利性使得一部分贫困地区的低收入群体仍然被排斥在优质金融服务之外。创新性数字普惠金融的产生可以在一定程度上解决这一难题，随着互联网和大数据技术的不断发展，人们获取金融服务的方式不再局限于营业网点，低收入群体可以借助线上渠道购买互联网金融产品进行投资，各种线上理财产品种类繁多，尤其是一些低起售点的产品非常适合于低收入群体，让他们也可以享受到资产增值的服务。投资者直接通过手机、电脑等设备就可以了解到产品的具体信息，增加了金融服务的覆盖面和便捷性，同时也降低了金融服务的成本。数字普惠金融依靠互联网技术还能够提高资金的配置效率，一些在线借贷平台通过大数据和人工智能技术可以降低搜寻成本和交易成本，实现投融资双方的互利共赢，数字普惠金融通过促进经济增长和改善收入分配也将使得低收入群体的收入状况得以改善，缩小城乡收入差距。

基于此，本文提出假设1：数字普惠金融水平的发展程度越高，城乡收入差距越小。

除了数字普惠金融发展水平之外，还有一些其他的因素会影响到城乡收入差距。在具体到地区分析时，该地区的教育情况、产业结构和政府的财政支持力度都会对城乡收入差距产生影响。政府的财政支持力度越高，对低收入群体的补贴会相对越多，可以直接提高其可支配收入，并且可以给其提供生产性和生活性的金融支持，增加就业率，从而增加农村居民收入。另外，数字普惠金融最核心的特点在于数字化技术的运用，因此数字普惠金融的普及需要消费者具备一定的知识素养，对新媒介和新技术有一定的掌握程度，才能够合理有效地使用相关的金融产品和服务，解决低收入群体自身的金融需求。产业结构对于城乡收入差距的影响尚不明确，一方面随着第三产业的发展，农业资源向非农产业倾斜有利于生产效率的提高和一部分低收入群体收入的增加，另一方面当大量资源流向非农产业，也有可能导致城乡差距的进一步扩大。

基于此，本文提出如下假设：假设2：其他条件一定时，政府的财政支持力度越大，城乡收入差距越小。假设3：其他条件一定时，消费群体对金融知识掌握程度越高，城乡收入差距越小。

四、模型设定及变量说明

（一）模型设定

为了实证分析安徽省数字普惠金融的发展水平与城乡收入差距之间的关系，本文利用2011-2018年安徽省16个地市的面板数据，以数字普惠金融的发展水平作为核心的解释变量，结合前文的理论分析，将其他可能会影响城乡收入差距的因素作为控制变量，构建面板数据模型：

Theilit=α+β1DFIit+2isit+β3eduit+β4govit+εit

其中下标i和t分别表示不同的地市和年份，α为常数项，βi为各变量的回归系数，Theil为被解释变量，表示城乡收入差距，DFI为核心解释变量，表示数字普惠金融的发展程度。其他变量为控制变量，其中is表示产业结构情况，edu表示该地区居民的受教育程度，gov表示政府的财政支持力度情况。

（二）变量说明

1.被解释变量Theil。目前相关文献在衡量城乡收入差距上，主要有以下几种指标：一是直接采用城乡居民人均可支配收入之差;二是采用城乡居民人均可支配收入之比;三是采用基尼系数;四是采用考虑到人口加权因素之后的泰尔指数。由于泰尔指数将人口因素考虑在内，能够更好地反映城乡收入差距的变动，因此本文选取泰尔指数作为衡量城乡收入差距的指标。泰尔指数的计算公式如下：

其中Y表示某地区某年的城镇和农村总收入，N代表城镇和农村的总人口。i=1代表城镇地区，i=2代表农村地区，即Y1和N1代表某地区某年城镇人口的总收入和城镇人口总数，Y2和N2代表某地区某年农村人口的总收入和农村人口总数。

2.核心解释变量DFI。该核心解释变量选取最新发布的《北京大学数字普惠金融指数（2011-2018）》中的数据作为分析指标，该指数的构建包括了覆盖广度指数、使用深度指数和数字化程度指数三个一级维度指标，并且利用层次分析法得出了包含省级、城市和区县三个层级的指数。

如图1所示，安徽省综合数字普惠金融指数在2011-2018年间呈逐年稳步上升趋势，2018年的综合指数水平超过了2011年的7倍。从一级维度指标来看，覆盖广度指数同样呈现逐年上升趋势，使用深度指数和数字化程度指数在个别年份有小幅下降，但总体仍保持上升。将安徽省的综合指数和各一级维度指标与全国平均水平进行对比可以发现，除2018年外，安徽省的综合数字普惠金融指数均略低于全国平均水平，但差距总体有逐渐缩小的趋势，且在2018年超过了全国平均水平，具体来看，覆盖广度指数与全国平均水平有一定差距，使用深度指数每年均高于全国平均水平，数字化程度指数在2015年前均低于全国平均水平，但在2016-2018年间均高于全国平均水平。

3.控制变量。edu表示该地区居民的受教育程度，用当年各市拥有大专及以上学历受教育程度的人口占总人口的比重来衡量;is表示产业结构情况，用当年各市第三产业的产值之和占总产值的比例来衡量;gov表示政府部门的财政支持力度，用当年各地区政府的财政支出占GDP的比例来衡量。

以上数据中，核心解释变量的数据来源于最新发布的《北京大学数字普惠金融指数（2011-2018）》，其他数据均来源于2011-2018年的《安徽省统计年鉴》以及各地市的《国民经济和社会发展统计公报》。

五、实证分析

（一）单位根检验

由于各变量的平稳性会影响模型的效果，因此首先对各变量进行单位根检验，本文选取LLC（Levin-Lin-Chu Test）方法分别对各变量进行单位根检验，结果如表1所示，各变量均平稳，可以进行模型回归。

（二）回归分析

本文选取的是2011-2018年安徽省16个地市的面板数据，因此选用面板模型进行回归分析。先采用hausman检验来判断模型应选择固定效应还是随机效应，hausman检验结果如表2所示，因而接受原假设，采用随机效应模型。

回归分析结果如表3所示，可以看出数字普惠金融的发展可以显著地减少城乡居民之间的收入差距，并且随着各控制变量的加入该变量系数仍然显著为负，说明数字普惠金融的发展对缩小城乡收入差距有一定的积极作用。

从控制变量的回归结果来看，产业结构这一变量的系数在各模型中显著为正，说明随着安徽省第三产业的发展，相关资源向非农产业倾斜，城镇居民收入增速相比较农村居民收入增长更快，因而进一步加剧了城乡收入差距，教育水平这一变量的系数在模型中显著为负，说明普遍受教育程度越高的地区，城乡收入差距越小，政府的财政支持力度这一变量的系数未通过显著性检验，说明其对城乡收入差距的影响不显著。

六、结论与建议

本文通过构建面板回归模型来研究安徽省数字普惠金融的发展对城乡收入差距的影响，结果表明：随着数字普惠金融指数的上升，城乡居民之间的收入差距显著下降，同时受过高等教育人口比重的增加也会显著地缩小城乡收入差距，而第三产业的发展会进一步地加剧城乡收入差距。根据这些结论，本文提出如下几点建议和思考：

第一，目前应当进一步完善数字普惠金融的发展环境，数字普惠金融作为普惠金融新的发展方向，以数字化技术为依托，可以进一步降低成本、扩大金融覆盖面，从而更好地实现普惠金融的目标。目前安徽省数字普惠金融总体发展水平不断提高，并于2018年超过了全国平均水平，但覆盖广度与全国平均水平相比仍有一定差距，覆盖广度具体包括“每万人拥有支付宝账号数量”“支付宝绑卡用户比例”以及“平均每个支付宝账号绑定银行卡数”这几个主要指标，安徽省需要进一步加强对于新型互联网金融产品等数字普惠金融实际应用方面的宣传力度，尤其是对农村人口和低收入人群的宣传，提高民众的信用意识和对数字化技术的了解，提高对相关软件的运用能力，降低金融服务门槛，切实增强居民的幸福感和获得感，进一步缩小城乡差距。

第二，在农村地区加强教育推广，完善硬件设施建设。数字普惠金融的发展离不开大数据技术的支持，安徽省的数字化发展程度近几年有一定提升，但随着信息技术的不断更新发展，相关硬件设施的建设也需要不断地改善和优化，同时与数字普惠金融相关的征信系统也需要配套完善。

第三，要持续缩小城乡收入差距，需要关注教育水平和产业结构等因素的共同影响。根据前文研究，地区受教育水平的普遍提高有利于缩小城乡差距，而第三产业的发展会进一步加剧城乡差距，因此安徽省各地区在发展第三产业的同时，要进一步注重相關资源的倾斜对于城镇人口和农村人口影响程度的不同，更加注重产业结构的调整对于农村居民就业以及生活情况的实际影响，助力脱贫攻坚。

参考文献：

[1]Beck THP. Finance for All？Policies and Pitfalls in Expanding Access[R].Washington D.C：World Bank，2007.

[2]Sarma M，Pais J.Financial Inclusion and Development[J].Journal of International Development，2011，23（5）：613-628.

[3]Chakravarty S R，Pal R.Financial Inclusion in India：An Axiomatic Approach[J].Journal of Policy Model-ing，2013，35（5）：813-837.

[4]王婧，胡国晖.中国普惠金融的发展评价及影响因素分析[J].金融论坛，2013，18（6）：31-36.

[5]王刚贞，谢露露.普惠金融减贫效应存在门槛吗——基于安徽省的实证检验[J].东北农业大学学报（社会科学版），2019，17（05）：18-30+46.

[6]任碧云，陈曦.包容性金融发展对贫困减缓的双重门槛效应——基于中国内地省级面板数据的实证研究[J].西南民族大学学报（人文社科版），2019，40（05）：122-130.

[7]郭峰，王靖一，王芳，孔涛，张勋，程志云.2019，《测度中国数字普惠金融发展：指数编制与空间特征》，北京大学数字金融研究中心工作论文.

[8]梁双陆，刘培培.数字普惠金融与城乡收入差距[J].首都经济贸易大学学报，2019，21（01）：33-41.

[9]赵丙奇.中国数字普惠金融与城乡收入差距——基于面板门限模型的实证研究[J].社会科学辑刊，2020（01）：196-205.

[10]裴绍军，李舒，冯叶.数字普惠金融水平的衡量及其对城乡收入差距的影响——基于省际面板数据的实证分析[J].经济视角，2019（06）：82-93.

[11]黄敦平，徐馨荷，方建.中国普惠金融对农村贫困人口的减贫效应研究[J].人口学刊，2019，41（03）：52-62.